深層学習　基礎と概念　上

『パターン認識と機械学習』（Pattern Recognition and Machine Learning
PRML）の著書、Bishopによる深層学習の専門書。技術発展の著しい分野ではあるが、本書は深層学習の基盤となる数理、そのなかでもとくに普遍的な「基礎」と「概念」となるようなアイディアを前作と同様に明解な書きぶりで解説する。解説にあたっては、単に数式の提示にとどまらず、図や疑似コードなど多面的なアプローチで各種の概念を有機的に結合させ、概念全体を体系的に捉えることができるような書きぶりとなっている。前提となる知識は最低限（線形代数と多変数の微分積分）にとどめ、本書で自己完結的に学ぶことができるように工夫されている。深層学習の根幹にある考え方をしっかりと身につけたい読者にとって、今後のスタンダードとなる一冊である。

目次

はじめに

上巻目次

第1章　深層学習革命
　1.1　深層学習の衝撃
　　1.1.1　医療診断
　　1.1.2　タンパク質の構造
　　1.1.3　画像生成
　　1.1.4　大規模言語モデル
　1.2　機械学習入門
　　1.2.1　人工データ
　　1.2.2　線形モデル
　　1.2.3　誤差関数
　　1.2.4　モデル複雑度
　　1.2.5　正則化
　　1.2.6　モデル選択
　1.3　機械学習史略
　　1.3.1　単層ニューラルネット
　　1.3.2　誤差逆伝播法
　　1.3.3　深層ニューラルネット

第2章　確率論
　2.1　確率の演算則
　　2.1.1　医療検診の例
　　2.1.2　和の法則と積の法則
　　2.1.3　ベイズの定理
　　2.1.4　医療検診の例：続き
　　2.1.5　事前確率と事後確率
　　2.1.6　独立変数
　2.2　確率密度
　　2.2.1　分布の例
　　2.2.2　期待値と共分散
　2.3　ガウス分布
　　2.3.1　平均と分散
　　2.3.2　尤度関数
　　2.3.3　最尤推定のバイアス
　　2.3.4　線形回帰
　2.4　確率密度の変換
　　2.4.1　多変量の確率分布
　2.5　情報理論
　　2.5.1　エントロピー
　　2.5.2　物理学的視点からの解釈
　　2.5.3　微分エントロピー
　　2.5.4　微分エントロピーの最大化
　　2.5.5　カルバック－ライブラーダイバージェンス
　　2.5.6　条件付きエントロピー
　　2.5.7　相互情報量
　2.6　ベイズ主義的確率
　　2.6.1　モデルのパラメータ
　　2.6.2　正則化
　　2.6.3　ベイズ主義的機械学習
　演習問題

ほか

本の帯に関して

帯つきでの出荷はお約束しておりません。
商品ページに、帯のみに付与される特典物等の表記がある場合でも、確実に帯つきでの出荷はお約束しておりません。
また、帯は商品の一部ではなく「広告扱い」のため、帯の有無・破損による交換や返品は承っておりません。

版・表紙について

版・表紙（カバー）のご指定は承っておりません。ご注文いただくタイミングによっては、お届けする商品の版や表紙が商品ページ上のものとは異なる場合がございます。
また、初版にのみにお付けしている特典（初回特典、初回仕様特典）がある商品は、商品ページに特典の表記がされている場合でも、無くなり次第終了となります。